OLEH
DESTIRA LAILA
T3119027
USULAN PENELITIAN
PROGRAM SARJANA
TEKNIK INFORMATIKA
UNIVERSITAS ICHSAN GORONTALO
GORONTALO
2023
i
KATA PENGANTAR
1. Ibu Dr. Dra. Juriko Abdussamad, M.Si, selaku Ketua Yayasan Pengembangan
Ilmu Pengetahuan dan Teknologi (YPIPT) Ichsan Gorontalo;
2. Bapak Dr. Abdul Gaffar La Tjokke, M.Si, selaku Rektor Universitas Ichsan
Gorontalo;
3. Bapak Irvan A. Salihi, S.Kom, M.Kom, selaku Dekan Fakultas Ilmu
Komputer Universitas Ichsan Gorontalo;
4. Bapak Sudirman Melangi, M.Kom, selaku Wakil Dekan I Bidang Akademik
Fakultas Ilmu Komputer;
5. Ibu Irma Surya Kumala, M.Kom, selaku Wakil Dekan II bidang Administrasi
Umum dan Keuangan Fakultas Ilmu Komputer;
6. Bapak Sudirman S. Panna, M.Kom, selaku Ketua Jurusan Teknik Informatika
Fakultas ilmu Komputer Universitas Ichsan Gorontalo;
7. Bapak Muis Nanja M.kom, selaku Pembimbing I yang telah banyak
membimbing penulis selama ini;
8. Ibu Siti Andini Utiarahman S.Si, M.Kom, selaku Pembimbing II yang telah
banyak membimbing penulis selama ini;
9. Bapak dan Ibu Dosen Universitas Ichsan Gorontalo yang sudah mendidik dan
mengajarkan berbagai ilmu disiplin kepada penulis;
10. Kedua Orang Tua tercinta, ayah Bapak Rasul L Lamadupa dan Ibunda
ii
NurAfni, yang selalu hadir dengan cinta, doa dan merupakan kekuatan
terbesar bagi penulis untuk terus belajar dan tetap kuat ketika menghadapi
situasi tersulit sekalipun bagi penulis;
Semoga segala amal dan perbuatan yang telah diberikan mendapatkan rahmat
dan balasan yang lebih baik dari Allah Subhanahu Wa Ta’ala. Akhir kata penulis
berharap proposal penelitian ini dapat berguna dan bermanfaat bagi semua. Amin.
Penulis
iii
DAFTAR ISI
iv
3.1 Jenis, Metode, Subjek, Objek, Waktu, dan Lokasi Penelitian ........................... 29
3.2 Pengumpulan Data ............................................................................................ 29
3.3 Pemodelan ......................................................................................................... 29
3.3.1 Tahap Pengumpulan Data ........................................................................... 30
3.3.2 Tahap Klasifikasi ........................................................................................ 30
3.3.3 Tahap Evaluasi (Akurasi) ........................................................................... 30
3.3.4 Tahap Analisi Sistem .................................................................................. 30
3.3.4.1 Analisis Sistem Berjalan .................................................................... 31
3.3.4.2 Analisis Sistem Usulan ...................................................................... 31
3.3.5 Tahap Desain Sistem................................................................................... 31
3.3.6 Tahap Kontruksi Sistem.............................................................................. 31
3.3.7 Tahap Pengujian Sistem.............................................................................. 32
DAFTAR PUSTAKA ................................................................................................ 33
JADWAL PENELITIAN ......................................................................................... 33
v
DAFTAR TABEL
Tabel 1.1 Data Penerima Bantuan Pangan Non Tunai desa Moutong Utara ......... 2
Tabel 2.1 Penelitian Tentang Klasifikasi Menggunakan Metode Naive Bayes ..... 5
Tabel 2.2 Variabel ................................................................................................ 15
Tabel 2.3 Atribut Data........................................................................................... 15
Tabel 2.4 Data Uji ................................................................................................ 16
Tabel 2.5 Tabel Cofussion Matriks 2 kelas .......................................................... 18
Tabel 2.6 Hubungan antara Cyclomatic Complexity dan resiko .......................... 24
Tabel 2.7 Perangkat Lunak Pendukung ............................................................... 26
Tabel 3.1 Variabel/Atribut Data ........................................................................... 28
Tabel 3.2 Jadwal Penelitian.................................................................................. 34
vi
DAFTAR GAMBAR
vii
BAB I
PENDAHULUAN
1.1 Latar Belakang
Salah satu factor yg paling mendasar dan menjadi pusat perhatian bagi
pemerintah Indonesia adalah tingkat kemiskinan yang sangat tinggi[1].
Kemiskinan adalah suatu standar tingkat kehidupan yang rendah di masyarakat,
yaitu adanya suatu tingkat kurangnya materi dan rendahnya kemampuan
seseorang dibandingkan dengan standar kehidupan yang umum berlaku di lingkup
masyarakat yang berkaitan[2]. Kemiskinan adalah salah satu masalah yang
dialami oleh masyarakat di Indonesia. Banyak cara yang harus dilakukan
pemerintah Indonesia untuk mengurangi tingkat kemiskinan, yaitu dengan
mengadakan program bantuan sosial untuk masyarakat yang kurang mampu.
Dengan adanya program ini semoga dapat meminimalisir tingkat kemiskinan yang
ada di Indonesia.
Dalam membantu meminimalkan kemiskinan, Kementrian Sosial membuat
suatu program bantuan untuk warga miskin, sebagaimana arahan dari presiden
republik indonesia tentang program raskin pada juli 2016, penyaluran raskin
diganti dengan menggunakan kartu elektronik yang akan diberikan langsung
kepada rumah tangga, sehingga bantuan sosial disalurkan secara non tunai dengna
menggunakan sistem perbankan. Sistem baru penyaluran bantuan pangan ini
diatur dalam peraturan presiden nomor 63 tahun 2017 tentang penyaluran bantuan
sosial secara non tunai. Bantuan yang dibuat Kementrian Sosial adalah Bantuan
Pangan Non Tunai (BPNT). Program BPNT ini dimulai dari tahun 2017 di
beberapa wilayah yang ada di Indonesia dengan cara memberikan subsidi non
tunai melalui sebuah kartu elektronik. Bantuan Pangan Non Tunai (BPNT) adalah
bantuan sosial pangan yang disalurkan dalam bentuk non tunai dari pemerintah
kepada Keluarga Penerima Manfaat (KPM) setiap bulannya melalui uang
elektronik selanjutnya untuk membeli bahan pangan yang telah ditentukan di e-
warung. Bantuan pangan non tunai atau yang disingkat BPNT ini berwujud bahan
pangan antara lain adalah beras, telur, daging ayam, tahu/tempe[3].
1
2
Salah satu upaya untuk untuk mengatasi permasalahan diatas adalah dengan
mengimplementasikan salah satu konsep data mining yaitu teknik klasifkasi. Data
mining adalah suatu cara yang bertujuan dalam menemukan pola secara otomatis
dari data atau yang sudah ada dalam database atau sumber dari data lain yang
digunakan untuk memanfaatkan dan menyelesaikan suatu masalah melalui
berbagai aturan proses. Salah satu teknik data mining adalah fungsi klasifikasi.
Fungsi dari klasifikasi dapat memudahkan mengidentifikasi kelayakan penerima
dan bukan penerima BPNT. Beberapa Algoritma dalam klasifikasi diantaranya
4
LANDASAN TEORI
2.1 Tinjauan Studi
Beberapa penelitian tentang Klasifikasi dan penerapan metode Naive Bayes
seperti dibawah ini:
Tabel 2.1 penelitian tentang Klasifikasi menggunakan metode Naive
Bayes
No Peneliti Judul Hasil
1. Haidah Putri, Ade Irma Penerima Manfaat Tujuan penelitian
Purnama Sari, Arif Rinaldi Bantuan Non Tunai ini untuk
Dikananda, Odi Kartu Keluarga mengklasifikasi
Nurdiawan, Saeful Anwar Sejahtera data penerima dan
(2021) Menggunakan bukan penerima
Metode Naive bantuan pangan
Bayes Dan KNN) non tunai
menggunakan
teknik klasifikasi
pada data mining
menggunakan
metode naive bayes
dan metode
decission tree
sebagai
pembanding.
Model data mining
dibuat
menggunakan
RapidMiner,
dengan hasil nilai
probabilitas untuk
class “penerima”
7
8
precision 64,90%,
pred
No Peneliti Judul Hasil
Hardjamukti class
precession 65,18%,
pred Kalijaga class
precision 66,64%,
pred kecapi class
precision 68,44%,
pred Larangan
class precision
68,34%, sedangkan
Algoritma Naive
Bayes klasifikasi
dengan true
dimasing-masing
kelurahan dengan
sebarang true
algasunya 1.196
KKS class
precision 100% ,
true Hardjamiukti
1.339 KKS class
precision 100%,
true kalijaga 2.067
KKS class
precision 100%,
true kecapi 1.137
KKS class
precision 100%,
11
berdasarkan kriteria yang Penerima BPNT dari keluarga dengan kondisi sosial
ekonomi masyarakat yang rendah didaerah tersebut[1][8].
1. Data selection
Pemilihan atau seleksi data dari sekumpulan data operasional perlu
dilakukan sebelum tahap penggalian informasi dalam KDD dimulai. Dari hasil
data seleksi yang digunakan dalam proses data mining, dalam suatu berkas,
yang terpisah dari basis data operasioal.
2. Pre-processing / cleaning
Sebelum proses data mining dapat dilaksanakan, sehingga perlu dilakukan
proses cleaning pada data yang menjadi fokus KDD, proses cleaning ini
mencakup antara lain membuang duplikasi data, memeriksa data yang
inkonsisten, dan memperbaiki kesalahan pada data.
3. Transformation
Coding adalah proses transformasi pada yang telah dipilih, sehingga data
tersebut sesuai dengan proses Data Mining. Proses Coding dalam KDD adalah
suatu proses kreatif dan sangan tergantung pada jenis atau pola informasi yang
akan dicari dalam suatu basis data.
4. Data mining
Data Mining adalah proses mencari pola atau informasi menarik dalam
data terpilih dengan dengan menggunakan teknik atau metode tertentu.
Teknik, metode, atau algoritma dalam Data Mining sangat bervariasi.
14
Pemilihan metode atau algoritma yang tepat sangat bergantung pada tujuan
dan proses KDD secara keseluruhan.
5. Interpretation/evalution
Pola informasi yang dihasilkan dari proses Data Mining perlu ditampilkan
yang mudah dipahami oleh pihak yang berkaitan. Tahap ini merupakan bagian
dari proses KDD yang disebut interpretation. Tahap ini mencakup
pemeriksaan apakah pola atau informasi yang ditemukan bertentangan dengan
fakta atau hipotesis yang ada pada sebelumnya.
2.2.4 Klasifikasi
Klasifikasi adalah proses untuk menemukan model atau fungsi yang
menjelaskan atau membedakan konsep atau kelas data, dengan tujuan untuk dapat
memperkirakan kelas dari suatu objek yang labelnya tidak diketahui. Proses
klasifikasi bertujuan untuk membentuk suatu suatu model yang mampu
membedakan data kedalam kelas yang berbeda berdasarkan aturan fungsi[10].
Keterangan:
X : Data dengan class yang belum diketahui
H : Hipotesis data merupakan suatu class pesifik
P(H|X): Probabilitas hipotesis berdasar kondisi (posterioriprobability)
P(H) : Probabilitas hipotesis (prior probability)
P(H|X): Probabilitas berdasarkan kondisi pada hipotesis
P(X) : Probabilitas
Agar menjelaskan teorema Naive Bayes, perlu kita ketahui bahwa proses
dari klasifikasi membutuhkan sejumlah petunjuk untuk menentukan kelas apa
yang cocok untuk sampel yang akan dianalisis tersebut. Karena itu teorema bayes
diatas disesuaikan sebagai berikut[11]:
( ) ( )|
( | ) ............(2.2)
( )
............(2.3)
16
Nilai dari Evidence akan selalu tetap untuk setiap kelas pada suatu sampel.
Nilai dari suatu posterior tersebut nantinya akan dibandingkan dengan nilai-nilai
posterior kelas lainnya agar menentukan kekelas apa suatu sampel akan
diklasifikasikan[11].
= X X X X X = 0,00288
P(Klasifikasi = Tidak)
= P(X | Y = Tidak). P(Y = Tidak)
= X X X X X = 0,00016
............(2.4)
............(2.5)
............(2.6)
3
4
6
5
7 8
9
11 10
Path 1 = 1 – 11
Path 2 = 1 – 2 – 3 – 4 – 5 – 10 – 1 – 11
Path 3 = 1 – 2 – 3 – 6 – 8 – 9 – 10 – 1 – 11
Path 4 = 1 – 2 – 3 – 6 – 7 – 9 – 10 – 1 – 11
Path 1,2,3,4 yang telah didefinisikan diatas merupakan basis set untuk diagram
air.
25
MASALAH
PEMODELAN
2. Naive Bayes
2. Klasifikasi
SISTEM DEVELOPMENT
TUJUAN
3.3 Pemodelan
Prosedur atau tahapan-tahapan pada proses klasifikasi menggunakan metode
Naive Bayes untuk memudahkan dalam melakukan tahapan klasifikasi yaitu:
29
30
2. Black Box
Selanjutnya software diuji pula dengan metode Black Box testing yang
fokus pada keperluan fungsional dari software dan berusaha untuk menemukan
kesalahan dalam beberapa kategori, diantaranya: (1) Fungsi-fungsi yang salah satu
hilang; (2) Kesalahan interface; (3) Kesalahan dalam struktur data atau akses basis
dua eksternal; (4) Kesalahan performa; (5) Kesalahan inisialisasi dan terminasi.
Jika sudah tidak ada kesalahan-kesalahan tersebut, maka sistem dinyatakan efisien
dari segi kesalahan komponen-komponen.
33
DAFTAR PUSTAKA
[1] S. Yani, F. S. Jumeilah, and M. Kadafi, “Algoritma K-Nearest Neighbor
Untuk Menentukan Kelayakan Keluarga Penerima Bantuan Pangan Non
Tunai ( Studi Kasus : Kelurahan Karya Jaya ),” vol. 1, no. 2, 2020.
[2] D. M. Hasimi, “Analisis Program Bantuan Pangan Non Tunai (Bpnt) Guna
Meningkatkan Kesejahteraan Masyarakat Dalam Perspektif Ekonomi
Islam,” REVENUE J. Manaj. Bisnis Islam, vol. 1, no. 01, pp. 61–72, 2020,
doi: 10.24042/revenue.v1i01.5762.
[3] E. Ermawati, “Algoritma Klasifikasi C4.5 Berbasis Particle Swarm
Optimization Untuk Prediksi Penerima Bantuan Pangan Non Tunai,”
Sistemasi, vol. 8, no. 3, p. 513, 2019, doi: 10.32520/stmsi.v8i3.576.
[4] C. Agus Sugianto and F. Rizky Maulana, “Algoritma Naïve Bayes Untuk
Klasifikasi Penerima Bantuan Pangan Non Tunai,” Techno.COM, vol. 18,
no. 4, pp. 321–331, 2019.
[5] N. Alfiah, “Klasifikasi Penerima Bantuan Sosial Program Keluarga
Harapan Menggunakan Metode Naive Bayes,” Respati, vol. 16, no. 1, p.
32, 2021, doi: 10.35842/jtir.v16i1.386.
[6] “1 , 2 , 3,” no. 2019, pp. 175–185, 2021.
[7] M. M. Alfitri, E. Mashamy, I. Komputer, P. Studi, S. Informasi, and U. D.
Ali, “Klasifikasi Data Penduduk Untuk Menerima Bantuan Pangan Non
Tunai Menggunakan Algoritma Naïve Bayes,” JURIKOM (Jurnal Ris.
Komputer), vol. 9, no. 4, pp. 1035–1043, 2022, doi:
10.30865/jurikom.v9i4.4678.
[8] H. Putri, A. I. Purnamasari, A. R. Dikananda, O. Nurdiawan, and S. Anwar,
“Penerima Manfaat Bantuan Non Tunai Kartu Keluarga Sejahtera
Menggunakan Metode NAÏVE BAYES dan KNN,” Build. Informatics,
Technol. Sci., vol. 3, no. 3, pp. 331–337, 2021, doi:
10.47065/bits.v3i3.1093.
[9] I. Adiwijaya, “Text Mining dan Knowledge Discovery,” Colloq. with
Indones. datamining soft-computing community, pp. 1–9, 2006, [Online].
Available: http://web.ipb.ac.id/~ir-lab/pdf/tm (text summarization).pdf
[10] A. H. Hailitik, B. S. Djahi, Y. Y. Nabuasa, J. I. Komputer, and U. N.
Cendana, “KLASIFIKASI JURUSAN MENGGUNAKAN METODE
NAÏVE BAYES PADA,” vol. 5, no. 2, pp. 21–27, 2017.
[11] H. Naparin, “Klasifikasi Peminatan Siswa Sma Menggunakan,” Systemic,
vol. 02, no. 01, pp. 25–32, 2016, [Online]. Available:
http://jurnalsaintek.uinsby.ac.id/index.php/SYSTEMIC/article/view/104/88
34